YOLO11 대 YOLOv5#
올바른 신경망 아키텍처를 선택하는 것은 모든 computer vision 프로젝트에서 매우 중요한 결정입니다. artificial intelligence의 환경이 진화함에 따라 개발자와 연구자가 사용할 수 있는 도구도 함께 진화하고 있습니다. 본 종합 가이드에서는 Ultralytics 생태계의 두 가지 기념비적인 모델인, 널리 찬사를 받는 YOLOv5와 고급 YOLO11 간의 심층적인 기술적 비교를 제공합니다.
edge AI 애플리케이션을 위해 경량 모델을 배포하든 클라우드 GPU에서 고해상도 비디오 스트림을 처리하든, 아키텍처의 미묘한 차이, performance metrics, 그리고 이러한 모델의 이상적인 사용 사례를 이해하면 특정 배포 제약 조건에 맞는 데이터 기반의 선택을 내릴 수 있습니다.
모델 계보 및 기술 세부 정보#
두 모델 모두 오픈 소스 협업, 강력한 성능, 타의 추종을 불허하는 사용 편의성에 대한 Ultralytics의 헌신을 반영하며, 전 세계 머신 러닝 커뮤니티에서 높은 평가를 받고 있습니다.
YOLO11 세부 정보#
- 저자: Glenn Jocher 및 Jing Qiu
- 조직: Ultralytics
- 날짜: 2024-09-27
- GitHub: ultralytics/ultralytics
- Docs: YOLO11 Documentation
YOLOv5 세부 정보#
- 저자: Glenn Jocher
- 조직: Ultralytics
- 날짜: 2020-06-26
- GitHub: ultralytics/yolov5
- Docs: YOLOv5 Documentation
아키텍처 차이점#
YOLOv5에서 YOLO11로의 진화는 정확도와 파라미터 효율성을 최적화하기 위해 설계된 몇 가지 심오한 아키텍처 변화를 도입했습니다.
YOLOv5는 PyTorch 생태계의 선구자였으며, 고도로 최적화된 CSPNet (Cross Stage Partial Network) 백본과 PANet (Path Aggregation Network) 넥을 도입했습니다. 이 모델은 앵커 기반 감지에 의존했으며, 객체 경계를 예측하기 위해 미리 정의된 anchor boxes가 필요했습니다. 매우 효과적이긴 하지만, 커스텀 computer vision datasets에 맞춰 이러한 앵커를 튜닝하는 작업은 번거로울 수 있었습니다.
반면에 YOLO11은 보다 현대적이고 앵커가 없는(anchor-free) 검출 패러다임으로 전환합니다. 이를 통해 수동 앵커 박스 튜닝의 필요성이 없어지며, COCO dataset과 같은 다양한 데이터셋에서 학습 프로세스가 간소화되고 일반화 성능이 향상됩니다. 또한 YOLO11은 분리된 헤드(decoupled head)를 특징으로 하며, 이는 분류 및 바운딩 박스 회귀 작업이 별도의 브랜치에서 처리됨을 의미합니다. 이러한 분리는 특히 복잡한 object detection 시나리오에서 수렴 속도와 mean Average Precision (mAP)을 크게 향상시킵니다.
성능 지표 및 벤치마크#
아래 표는 다양한 모델 크기에 따른 주요 지표를 비교합니다. Ultralytics 모델은 메모리 요구 사항 면에서 정평이 나 있으며, 일반적으로 무거운 Transformer 기반 대안과 비교하여 학습 중 CUDA 메모리 사용량이 적어 하드웨어 진입 장벽을 크게 낮춥니다.
| 모델 | 크기 (픽셀) | mAPval 50-95 | 속도 CPU ONNX (ms) | 속도 T4 TensorRT10 (ms) | 파라미터 (M) | FLOPs (B) |
|---|---|---|---|---|---|---|
| YOLO11n | 640 | 39.5 | 56.1 | 1.5 | 2.6 | 6.5 |
| YOLO11s | 640 | 47.0 | 90.0 | 2.5 | 9.4 | 21.5 |
| YOLO11m | 640 | 51.5 | 183.2 | 4.7 | 20.1 | 68.0 |
| YOLO11l | 640 | 53.4 | 238.6 | 6.2 | 25.3 | 86.9 |
| YOLO11x | 640 | 54.7 | 462.8 | 11.3 | 56.9 | 194.9 |
| YOLOv5n | 640 | 28.0 | 73.6 | 1.12 | 2.6 | 7.7 |
| YOLOv5s | 640 | 37.4 | 120.7 | 1.92 | 9.1 | 24.0 |
| YOLOv5m | 640 | 45.4 | 233.9 | 4.03 | 25.1 | 64.2 |
| YOLOv5l | 640 | 49.0 | 408.4 | 6.61 | 53.2 | 135.0 |
| YOLOv5x | 640 | 50.7 | 763.2 | 11.89 | 97.2 | 246.4 |
보시다시피, YOLO11은 성능의 균형이 매우 뛰어나며, YOLOv5 대응 모델과 유사한 파라미터 수에서 지속적으로 더 높은 mAP 점수를 제공합니다.
학습 방법론 및 사용성#
Ultralytics 철학의 핵심 신조는 잘 관리된 생태계와 광범위한 커뮤니티 지원을 바탕으로 한 탁월한 사용 편의성입니다.
YOLOv5는 역사적으로 실행을 위해 강력한 명령어 줄 인터페이스(CLI) 스크립트(train.py, detect.py)에 의존했습니다. 강력하기는 했지만, 이러한 스크립트를 커스텀 Python 애플리케이션에 직접 통합하려면 종종 우회 방법이 필요했습니다.
YOLO11은 간소화된 ultralytics Python 패키지를 도입하여 이를 혁신했습니다. 이 통합 API는 학습부터 ONNX, OpenVINO, TensorRT와 같은 exporting models 형식으로의 내보내기까지 모든 과정을 기본적으로 처리합니다.
코드 없는 완전한 경험을 위해 개발자는 Ultralytics Platform을 활용하여 데이터를 주석 처리하고, 클라우드에서 모델을 학습하며, 에지 기기에 원활하게 배포할 수 있습니다.
코드 비교#
오늘날 Ultralytics 모델을 학습시키는 것은 매우 효율적입니다. 네이티브 Python API를 사용하여 YOLO11을 학습시키는 방법은 다음과 같습니다:
from ultralytics import YOLO
# Load a pretrained YOLO11 small model
model = YOLO("yolo11s.pt")
# Train the model on custom data
results = model.train(data="coco8.yaml", epochs=50, imgsz=640, device=0)
# Export the model to ONNX for deployment
model.export(format="onnx")YOLOv5를 사용하는 레거시 시스템의 경우, CLI를 통한 학습은 다음과 같습니다:
# Clone the repository and run the training script
git clone https://github.com/ultralytics/yolov5
cd yolov5
pip install -r requirements.txt
python train.py --img 640 --batch 16 --epochs 50 --data coco128.yaml --weights yolov5s.pt이상적인 사용 사례 및 실제 애플리케이션#
두 모델 모두 서로 다른 운영 환경에 맞춘 고유한 강점을 가지고 있습니다.
YOLOv5를 활용해야 할 때#
더 최신 세대임에도 불구하고 YOLOv5는 여전히 강력한 성능을 자랑합니다. 다음과 같은 경우에 적극 권장됩니다:
- 레거시 시스템 통합: 쉽게 리팩토링할 수 없는 YOLOv5의 특정 텐서 구조나 배포 파이프라인과 깊이 통합된 환경.
- 학술적 기준선: medical image analysis 분야의 재현 가능한 학술 연구를 위해 확립되고 오랜 전통의 기준선이 필요한 연구자.
YOLO11을 활용해야 할 때#
YOLO11은 놀라운 범용성 덕분에 현대적인 프로덕션 파이프라인을 위한 이상적인 선택입니다:
- 멀티태스킹 환경: 주로 감지기인 YOLOv5(이후 분할 기능 추가됨)와 달리, YOLO11은 기본적으로 instance segmentation, image classification, pose estimation, 그리고 Oriented Bounding Box (OBB) 감지를 기본적으로 지원합니다.
- 고밀도 비디오 분석: 복잡한 장면에서 최대의 정밀도를 추출하는 것이 중요한 지능형 교통 시스템이나 retail inventory management에 이상적입니다.
향후 전망: YOLO26 아키텍처#
YOLO11이 뛰어난 표준으로 자리 잡고 있는 동안에도 컴퓨터 비전의 경계는 계속해서 빠르게 발전하고 있습니다. 효율성의 절대적인 정점을 찾는 개발자는 최신 Ultralytics YOLO26(2026년 1월 출시)도 고려해야 합니다.
YOLO26은 엣지 최적화와 엔터프라이즈 규모 모두를 위해 명시적으로 설계된 거대한 도약을 의미합니다. 주요 혁신 사항은 다음과 같습니다:
- 엔드투엔드 NMS 프리 디자인: YOLO26은 네이티브 엔드투엔드로 설계되어 Non-Maximum Suppression (NMS) 후처리를 제거하므로 더 빠르고 간단한 배포가 가능합니다.
- DFL 제거: 모델 내보내기를 단순화하고 저전력 장치와의 호환성을 향상시키기 위해 Distribution Focal Loss(DFL)가 제거되었습니다.
- MuSGD 옵티마이저: SGD와 Muon의 획기적인 하이브리드로, 더 빠른 수렴을 위해 컴퓨터 비전에 LLM 학습 안정성을 가져왔습니다.
- 최대 43% 더 빠른 CPU 추론: IoT 배포 및 전용 GPUs가 없는 기기에 최적화되어 있습니다.
- ProgLoss + STAL: 소형 객체 인식에서 현저한 개선을 가져오는 획기적으로 개선된 손실 함수로, 공중 드론 이미지 분석에 필수적입니다.
요약#
YOLO11과 YOLOv5 사이의 선택은 궁극적으로 프로젝트의 수명 주기 단계에 따라 달라집니다. YOLOv5의 유산은 극대화된 안정성과 막대한 커뮤니티 지원을 제공하며 부인할 수 없습니다. 그러나 모든 신규 프로젝트의 경우, 이전 세대보다 YOLO11을 강력히 권장합니다. 이 모델은 최첨단 정확도, 예외적으로 우수한 Python API, 그리고 낮은 학습 메모리 오버헤드를 결합하여 AI 혁신의 최전선에 Ultralytics의 위치를 공고히 합니다. 한계를 더욱 확장하고자 하는 분들을 위해 최첨단 YOLO26을 Ultralytics Platform에서 탐색하면 비할 데 없는 결과를 얻을 수 있습니다.